基于深度学习的人体行为识别方法研究

为提高多目标人体行为识别的准确度,本研究借鉴了ST-GCN作者的思路,提出并改进一种基于深度学习的行为识别方法,该方法首先通过YOLOv5算法对视频序列的人体进行识别定位,其次利用改进的DeepSort跟踪算法对定位到的目标进行跟踪,并为每个目标分配不同的ID,再利用OpenPose提取目标人体的骨骼关节点,最后通过改进的ST-GCN算法实现人体行为的识别,从而解决多目标情况下人体行为识别错乱的问题。实验表明,相比原始未改进的算法模型,本研究改进的模型在识别准确率上提升了10%,证明了该方法的有效性。

基于用户资费套餐服务满意度预测方法的研究

随着我国通信市场个人用户趋于饱和,存量市场的维护成为运营商工作的重中之重,用户满意度等各类短板问题亟待定位与解决,从而提升和延长用户的生命周期。基于运营商数据库中存储的海量用户数据,提出了使用机器学习分类算法来预测用户中资费满意度较差的用户并分析其原因的方法,通过对用户消费行为数据与个人属性数据的深度挖掘,找出与用户资费满意度相关度较高的特征,从而对全量用户的资费满意度进行预测,并进行归因分析。本文使用了某地市运营商的真实数据进行实验,预测出的目标用户差评率是随机用户差评率的2倍以上,取得了明显的效果。

基于颜色通道的车牌定位算法研究

车牌检测是目前应用比较早的计算视觉检测系统,其技术发展和应用也相对比较成熟。但是到目前为止,车牌检测绝大数情况下都是在特定环境和拍摄角度去进行检测,其功能实现也相对比较简单。对于在复杂环境下的车牌的提取和检测,仍是值得研究的方向。本文从传统算法出发,设计了一种基于颜色通道的车牌定位算法,通过分析不同颜色车牌在不同彩色空间的表现形式,通过预处理获得特征比较明显的相应预处理图像。本文将图像灰度直方图和Kmeans相结合,设计了基于Kmeans和积分波峰图的自适应区域分割算法,从而实现对车牌区域的分割。对于分割提取出来的区域,再次使用波峰图进行候选区域的筛选从而达到车牌的准确定位。